图节点低维表征学习方法、装置、终端设备及存储介质

发明专利有效专利

申请号：
CN202010710242.5
IPC分类号：G06N3/04;G06N3/08;G06K9/62;G06N20/00
申请日期：
2020-07-22
申请人：
中山大学

基础信息

权利要求

说明书

PDF全文

法律信息

引证文献

著录项信息

专利名称	图节点低维表征学习方法、装置、终端设备及存储介质
申请号	CN202010710242.5	申请日期	2020-07-22
法律状态	授权	申报国家	中国
公开/公告日	2020-10-30	公开/公告号	CN111860783A
优先权	暂无	优先权号	暂无
主分类号	G06N3/04 ? IPC结构图谱： G 物理 G0 仪器 G06 计算；推算；计数 G06N 基于特定计算模型的计算机系统〔7〕 G06N3/00 基于生物学模型的计算机系统（仿真生物的功能方面的模拟计算机入G06G 7/60）〔7〕 G06N3/02 采用神经网络模型（用于自适应控制的入G05B 13/00；用于图像模式匹配的入G06K 9/00；用于图像数据处理的入G06T 1/40；用于语音模式匹配的入G10L 15/16）〔7〕 G06N3/04 体系结构，例如，互连拓扑〔7〕	IPC分类号	G;0;6;N;3;/;0;4;;;G;0;6;N;3;/;0;8;;;G;0;6;K;9;/;6;2;;;G;0;6;N;2;0;/;0;0查看分类表>
申请人	中山大学	申请人地址	广东省广州市新港西路135号变更专利地址、主体等相关变化，请及时变更，防止失效
权利人	中山大学	当前权利人	中山大学
发明人	吴嘉婧;郑嘉涛;郑子彬
代理机构	北京集佳知识产权代理有限公司	代理人	李赫

摘要

本发明公开了一种图节点低维表征学习方法、装置、终端设备及存储介质，图节点低维表征学习方法包括：对图节点进行随机游走采样；注意力机制模型评估节点之间的关联性；深度神经网络概率预测；迭代训练。本发明实施例解决了现有方法中采样算法难以利用到高阶邻居信息，且噪声过多的问题。通过使用随机游走的采样方式，可以方便地控制采样的广度和深度；通过使用注意力机制模型评估节点之间的关联性，减少了噪声的影响；还通过使用深度神经网络进行低维表征的学习，并控制近邻邻居信息的比重，增强习得的节点嵌入表征的稳定性，提高算法运行效果。

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有引用任何外部专利数据！

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有被任何外部专利所引用！

我浏览过的专利

专利服务由北京酷爱智慧知识产权代理公司提供